NumPy - 切片

切片是从 NumPy 数组中提取数据子集的方法。它可以在 NumPy 数组的一个或多个维度上执行。我们可以通过使用 [start : end] 以及数组名称指定起始和结束索引值来定义要切片的数组部分。

切片也可以使用 Python 的内置函数 slice 对象，该对象由相同的 start、stop 和 step 参数构造，用于定义范围。此切片对象将传递给数组以提取数组的一部分。

切片数组的语法为 [start:stop:step]，其中 -

• Start 是切片对象开始的索引(包含索引)。如果我们不指定 start，则默认情况下，它将被视为 '0'。

• Stop 是切片结束的索引(不包含，即不包含此索引处的元素)。如果我们不指定 stop，默认情况下，它将被视为该维度的数组长度。

• Step 决定索引之间的间隔(即跳过多少个元素)。如果我们不指定 step，默认情况下，step 为 1，并且 step 不能为零。

一维 NumPy 数组切片

一维数组切片用于访问特定使用 start:stop:step 参数。它可以高效地设置子集、跳过元素或反转数组。

示例:使用 start:stop:step

让我们创建一个一维数组，其中书架上有一排标有 0 到 9 的书籍，我们需要从第 1 本书到第 8 本书中每隔一本书选取一本书。

在此示例中，我们将用冒号 : (start:stop:step) 分隔的切片参数直接应用于 ndarray 对象。此处起始值为 1(第二本书)，停止值为 8(在第八本书之前结束)，步长为 2，即在索引之间每隔一本书选取一本。

import numpy as np
arr = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(arr[1:8:2])

以下是上述代码的输出 -

[1 3 5 7]

示例:使用 Slice 对象

使用内置的 slice 函数可以实现与示例 1 相同的结果。代码如下:-

import numpy as np
arr = np.arange(10)
s = slice(1,8,2)
print(arr[s])

上述代码的输出如下:-

[1 3 5 7]

示例:使用起始参数进行切片

从索引开始切片。当我们仅使用起始参数时，它将从该索引开始，由于我们默认未指定终止参数，因此它将考虑数组的长度 -

import numpy as np
a = np.arange(10)
print(a[2:])

以下是上述代码的输出 -

[2 3 4 5 6 7 8 9]

示例:使用终止参数进行切片

仅使用终止参数进行切片。当我们仅使用终止参数并省略起始参数时，它将访问从数组开头到指定终止索引(但不包括该索引)的元素。代码如下:-

import numpy as np
a = np.arange(10)
print(a[:7])

以上代码的输出如下:-

[0 1 2 3 4 5 6]

示例:使用 Step 参数

仅使用 step 参数对项目进行切片。由于我们没有指定起始和终止位置，以下代码将从数组的开头到结尾提取每个第二个元素。

import numpy as np
a = np.arange(10)
print(a[::2])

运行上述程序，结果如下:

[0 2 4 6 8]

二维 NumPy 数组切片

二维 NumPy 数组类似于矩阵，它有两个索引:行和列。切片二维数组的语法与一维数组相同。唯一需要改变的是，我们必须为数组的每个维度定义一个切片。

示例

让我们创建一个二维员工数据数组，其中三列分别包含员工 ID、年龄和薪水。我们将使用切片参数获取员工 2 的信息，并从索引 2 开始获取所有员工的年龄。-

import numpy as np
employees = np.array([
    [1, 25, 50000],
    [2, 30, 60000],
    [3, 28, 55000],
    [4, 35, 65000],
    [5, 40, 70000]
])
print("员工 2 的信息:",员工[1])
print("从索引 2 开始的员工年龄:", 员工[2:, 1])

以下是上述代码的输出 -

员工 2 的信息:[ 2 30 60000]
从索引 2 开始的员工年龄:[28 35 40]

三维 NumPy 数组切片

三维数组是二维数组的集合，具有三个索引:深度(或平面)、行和列。三维数组的语法与一维和二维数组相同，但我们需要为所有三个维度定义切片。

示例

我们使用 arange() 函数创建一个三维数组，并使用包含 0 到 23 的值对其进行整形，然后将这个一维数组重塑为三维数组，表示一个 (2*3*4) 矩阵，并使用 slice 对象进行切片，得到一个子数组，该子数组包含第一层(深度)、所有行和前两列 -

import numpy as np
arr_3d = np.arange(24).reshape(2, 3, 4)
print("原始三维数组:
" , arr_3d)
subarray = arr_3d[0, :, :2]
print("
切片后子数组:", subarray)

运行上述程序，结果如下:

原始三维数组:
 [[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]
[[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

切片子数组:[[0 1]
[4 5]
[8 9]]

负切片

负索引允许从数组末尾访问元素。索引 -1 表示最后一个元素，-2 表示倒数第二个元素，以此类推。它主要用于需要从数组末尾访问特定元素的情况。它与切片语法(start:stop:step)结合使用，以相反的顺序提取元素。

示例:访问最低 5 分

我们创建一个数组来存储学生成绩，并需要快速识别最低 5 分，我们使用 start 参数进行负切片 -

import numpy as np
marks = np.array([93, 87, 98, 89, 67, 65, 54, 32, 21])
print("最低 5 分是:", marks[-5:])

运行上述程序，结果如下 -

最低 5 分是:[67 65 54 32 21]

示例:对每个第二个元素进行切片(逆序)

创建一个一维数组，我们需要从数组末尾开始对每个第二个元素进行切片 -

import numpy as np
data=np.array(['H','A','R','R','Y'])
print(data[-1::-2])

运行上述程序，结果如下:

['Y' 'R' 'H']

示例:反转数组

我们也可以使用负切片来反转数组。代码如下:-

import numpy as np
data=np.array([98,87,86,65,54,32,21])
print("反转数据:", data[::-1])

以上代码的输出如下:-

反转数据:[21 32 54 65 86 87 98]

特殊情况

在 NumPy 中，切片操作有一些特殊情况，可以增强数据操作的灵活性。这些包括用于部分索引的省略号 (...)、用于跨维度访问所有元素的完整切片 (:)，以及用于重塑数组的 newaxis。

省略号

切片还可以包含省略号"()"，以创建与数组维度长度相同的选择元组。如果在行位置使用省略号，它将返回一个由行中的项目组成的 ndarray。

省略号 (...) 使多维度切片更加容易。它可以使用任意数量的冒号 (:) 来填充未指定的维度。

例如，在三维数组中，a[..., 1] 将选择所有深度和行，但仅选择第二列。

示例:访问特定维度中的项目

让我们创建一个二维数组，并使用省略号对第二列中的所有项目进行切片 -

import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print('第二列中的项目是:', a[...,1] )
print('第二行中的项目是:',a[1,...] )
print('从第一列开始的项目是:',a[...,1:])

以下是上述代码的输出 -

第二列中的项目为:[2 4 5]
第二行中的项目为:[3 4 5]
从第一列开始的项目为:[[2 3]
[4 5]
[5 6]]

完整切片

完整切片用于使用 (:) 访问数组的所有深度、行和列。让我们看看每个用例的示例

示例:访问行、列和整个数组

让我们创建一个食物评分系统，其中行代表用户，列代表 4 家不同餐厅的评分。

import numpy as np
Food_ratings = np.array([
    [4, 5, 3, 4], # 用户 1
    [3, 4, 2, 5], # 用户 2
    [5, 5, 4, 4] # 用户 3
])
# 获取用户 1 的所有评分
user1 = Food_ratings[0, :]
print("用户 1 评分:", user1)

# 获取餐厅 1 的所有评分
restuarent_ratings = Food_ratings[:, 0]
print("餐厅 1 评分:", restuarent_ratings)

# 获取所有评分(整个表格)
all_ratings = Food_ratings[:, :]
print("所有评分:
", all_ratings)

以下是输出以上代码 −

用户 1 评分:[4 5 3 4]
餐厅 1 评分:[4 3 5]
所有评分:
[[4 5 3 4]
[3 4 2 5]
[5 5 4 4]]

NewAxis

NumPy 中的 Newaxis 函数用于向数组添加新轴，从而增加其维度。它在重塑数组和进行矩阵变换时非常有用。使用 newaxis，可以轻松地将一维数组转换为二维行向量或列向量，反之亦然:将二维数组转换为三维数组等等。

示例:将一维数组转换为二维列向量

创建一个一维数组并将其转换为二维列向量

import numpy as np
arr = np.array([1, 2, 3, 4])
print(arr[:, np.newaxis])

以下是上述代码的输出 -

[[1]
 [2]
 [3]
 [4]]

示例:使用 hstack() 合并一维和二维数组

假设有两个一维数组:一个以毫米为单位存储月降雨量，另一个存储月份名称。我们将此一维数组转换为二维数组，并使用 hstack() 函数将两个数组与其横轴连接起来。这个二维数组将保存两个月份的降雨总量。

当我们将其转换为二维数组时，NumPy 会将混合数据类型转换为单一类型。在本例中，结果将是一个字符串数组，因为 Months 数组由字符串组成。因此，对降雨量数组的数值运算将不再有效。

import numpy as np
Rainfall = np.array([120, 85, 60, 90, 150])
Months = np.array(['Jan', 'Feb', 'Mar', 'Apr', 'May'])
Rainfall_2d = Rainfall[:, np.newaxis]
Months_2d = Months[:, np.newaxis]
Rainfall_Data = np.hstack((Months_2d, Rainfall_2d))
print("每月降雨量数据:")
print(Rainfall_Data)

以下是上述代码的输出 -

月降雨量数据:
[['Jan' '120']
 ['Feb' '85']
 ['Mar' '60']
 ['Apr' '90']
 ['May' '150']]